CN113255199A - 一种基于粒子滤波的电池剩余寿命预测方法 - Google Patents

一种基于粒子滤波的电池剩余寿命预测方法 Download PDF

Info

Publication number
CN113255199A
CN113255199A CN202110380348.8A CN202110380348A CN113255199A CN 113255199 A CN113255199 A CN 113255199A CN 202110380348 A CN202110380348 A CN 202110380348A CN 113255199 A CN113255199 A CN 113255199A
Authority
CN
China
Prior art keywords
battery
capacity
algorithm
cycle
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110380348.8A
Other languages
English (en)
Inventor
刘雨辰
卞海红
王德邻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202110380348.8A priority Critical patent/CN113255199A/zh
Publication of CN113255199A publication Critical patent/CN113255199A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种基于粒子滤波的电池剩余寿命预测方法，包括以下步骤：第一步：建立电池寿命退化模型描述电池容量的退化过程：第二步：从电池测试数据集中提取出电池容量数据，对数据预处理；第三步：设定预测起始点T，第四步：确定所用的电池的参数β1和β2；第五步PF算法的初始化；第六步：基于标准PF的容量估计及其PDF分布：利用标准PF算法对电池的循环使用寿命进行预测；据电池容量的PDF分布以及容量和电池循环使用对应关系计算RUL PDF分布，并输出结果。本发明提供的预测方法能够有效准确的对锂电池循环寿命进行预测，针对电池出现的加速非线性退化问题，本发明可以有效的提高RUL估计的精度。

Description

一种基于粒子滤波的电池剩余寿命预测方法
技术领域
本发明属于电池领域，涉及一种基于粒子滤波的电池剩余寿命预测方法。
背景技术
电子剩余使用寿命(Remaining Useful Life,RUL)预测问题已成为电子系统故障预测和健康管理(Prognostics and Health Management,PHM)领域的研究热点和挑战问题之一。电池为许多直观重要的装置或系统提供能量，电池的供电方式已经渗透到当前生活的各个层面，电池故障可能导致系统性能降低，针对电池进行寿命预测和健康管理，将大大提高电池系统的可靠性，因此，电池寿命预测有着十分重要的实用价值和意义。
由于实际应用中电子设备或系统结构复杂，且多为非线性系统，工作过程中受到严重的噪声干扰，故预测过程中必须考虑到测量数据、状态数据、工作条件等不确定因素，这种不确定性的估计构成了当面对电子设备或者系统的寿命预测的挑战。
离子滤波(Particle Filter,PF)是采用蒙特卡罗思想来解决贝叶斯估计的一种算法，利用离子集来表示概率，可以用在任何形式的状态空间模型上。这种蒙特卡罗描述等价于真实的后验概率密度函数，有效的表达了结果的不确定性，使得预测寄过带有去确定性的估计特征。
发明内容
1、所要解决的技术问题：
现有的电池剩余寿命预测方法，由于存在很多的不确定因素，导致预测结果不准，无法通过预测电池寿命提高电池系统的可靠性。
2、技术方案：
为了解决以上问题，本发明提供了一种基于粒子滤波的电池剩余寿命预测方法，包括以下步骤：第一步：建立电池寿命退化模型描述电池容量的退化过程：
Figure BDA0003012691120000011
式中，Ck表示第k个充放电周期的充电容量，Δtk表示第k个周期到第k+1个周期的休息时间，β1和β2是将要确定的参数；k＝1,2，…代表电池充放电的循环周期；第二步：从电池测试数据集中提取出电池容量数据，对数据预处理；第三步：设定预测起始点T，第四步：根据预测起始点T，利用PF算法对Tcycle之前的电池容量进行状态跟踪，从而确定所用的电池的参数β1和β2；第五步：粒子滤波算法(Particle Filtering，PF)算法的初始化，初始化离子滤液算法，设定寿命预测过程中的参数；第六步：基于标准PF的容量估计及其PDF分布：利用标准PF算法对电池的循环使用寿命进行预测；第七步：判断容量是否达到阈值，如果没有达到回到第六步，如果达到阈值，计算循环使用寿命的预测结果RUL＝k，第八步：根据电池容量的PDF分布以及容量和电池循环使用对应关系计算RUL的概率密度函数(probabilitydensity function，PDF)分布，并输出结果。
在第三步中，起始点为T＝60,60循环周期(cycle)之前的数据为已知历史数据，从60cycle时开始执行预测算法，估计每个cycle的电池容量值为Ck。
在第五步中，所述参数包括粒子的数目N、粒子滤波模型中的过程噪声Wk和观测噪声Vk的协方差R和Q、电池循环使用寿命结束的阈值U。
在第六步中，所述标准PF算法包括以下步骤，首先粒子集初始化，k＝0，产生粒子
Figure BDA0003012691120000021
然后重要性采样
Figure BDA0003012691120000022
再然后计算权重，并归一化粒子对的权重
Figure BDA0003012691120000023
再然后执行系统重采样过程，得到重采样后的粒子集
Figure BDA0003012691120000024
及权重，最后得到电池容量的状态估计
Figure BDA0003012691120000025
设k＝k+1,顺序重复执行上述步骤，根据状态空间模型对电池容量状态进行迭代更新，同时每一步输出的一个状态估计值。
3、有益效果：
本发明提供的预测方法能够有效准确的对锂电池循环寿命进行预测，并实现预测结构的概率密度分布输出及不确定的量化表达，针对随着时间推进，电池出现的加速非线性退化问题，本发明提供的电池RUL预测框架可以有效的提高RUL估计的精度，与其他方法相比，在预测精度和不确定性表达精度上都有明显提高。
附图说明
图1为本发明的示意图。
具体实施方式
下面结合实施例对本发明进行详细说明。
实施例1
将电池Battery01寿命结束时的电池容量阈值设为U＝1.38Ah，预测起始点设定为T＝60，将前60个样本点作为历史数据，然后建立PF算法的跟踪实验，在执行预测算法之前，利用PF的状态跟踪能力对60个样本进行跟踪实验，根据效果确定电池寿命退化模型中的未知参数β1和β2，其中所述模型Ck+1＝ηCCk+β1exp(-β2/Δtk)中库伦效率参数取值为ηc＝0.997。
通过大量的实验确定了参数的取值范围为：β1的范围为-0.1到-0.3之间，β2的范围在1到10之间，本发明在执行预算发前统一设定模型中的参数为β1＝-0.3，β2＝5。
确定了参数β1和β2之后，PF算法的状态方程就建立起来：
Figure BDA0003012691120000031
其中Δtk表示第k个周期到第k+1个周期的休息时间。
建立状态方程后，设置粒子滤波算法的初始化参数，粒子数目为N＝500，状态初值C0设为T＝60cycle的电池容量值C0＝1.586Ah，过程噪声Wk的协方差为R＝0.0001，观测噪声Vk的协方差为Q＝0.0001，然后执行粒子滤波算法，从T＝60时刻开始迭代更新电池的容量值，每一步输出一个容量Ck的预测结果，并判断其是否达到阈值U＝1.38Ah，若达到则结束地推迭代过程，并根据迭代次数k输出RUL的预测结果及其PDF分布。
Battery01电池的真实寿命为100cycle，利用标准PF算法进行预测的寿命为91，RUL的误差为9cycle。
虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。

Claims (5)

1.一种基于粒子滤波的电池剩余寿命预测方法，包括以下步骤：第一步：建立电池寿命退化模型描述电池容量的退化过程：
Figure FDA0003012691110000011
式中，Ck表示第k个充放电周期的充电容量，Δtk表示第k个周期到第k+1个周期的休息时间，β1和β2是将要确定的参数；k＝1,2，…代表电池充放电的循环周期；第二步：从电池测试数据集中提取出电池容量数据，对数据预处理；第三步：设定预测起始点T，第四步：根据预测起始点T，利用PF算法对Tcycle之前的电池容量进行状态跟踪，从而确定所用的电池的参数β1和β2；第五步：PF算法的初始化，初始化离子滤液算法，设定寿命预测过程中的参数；第六步：基于标准PF的容量估计及其PDF分布：利用标准PF算法对电池的循环使用寿命进行预测；第七步：判断容量是否达到阈值，如果没有达到回到第六步，如果达到阈值，计算循环使用寿命的预测结果RUL＝k，第八步：根据电池容量的PDF分布以及容量和电池循环使用对应关系计算RUL的PDF分布，并输出结果。
2.如权利要求1所述的方法，其特征在于：在第三步中，起始点为T＝60,60cycle之前的数据为已知历史数据，从60cycle时开始执行预测算法，估计每个cycle的电池容量值为Ck。
3.如权利要求1所述的方法，其特征在于：在第五步中，所述参数包括粒子的数目N、粒子滤波模型中的过程噪声Wk和观测噪声Vk的协方差R和Q、电池循环使用寿命结束的阈值U。
4.如权利要求1所述的方法，其特征在于：在第六步中，所述标准PF算法包括以下步骤，首先粒子集初始化，k＝0，产生粒子
Figure FDA0003012691110000012
然后重要性采样
Figure FDA0003012691110000013
再然后计算权重，并归一化粒子对的权重
Figure FDA0003012691110000014
再然后执行系统重采样过程，得到重采样后的粒子集
Figure FDA0003012691110000015
及权重，最后得到电池容量的状态估计
Figure FDA0003012691110000016
5.如权利要求4所述的方法，其特征在于：设k＝k+1,顺序重复执行上述步骤，根据状态空间模型对电池容量状态进行迭代更新，同时每一步输出的一个状态估计值。
CN202110380348.8A 2021-04-09 2021-04-09 一种基于粒子滤波的电池剩余寿命预测方法 Pending CN113255199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110380348.8A CN113255199A (zh) 2021-04-09 2021-04-09 一种基于粒子滤波的电池剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110380348.8A CN113255199A (zh) 2021-04-09 2021-04-09 一种基于粒子滤波的电池剩余寿命预测方法

Publications (1)

Publication Number Publication Date
CN113255199A true CN113255199A (zh) 2021-08-13

Family

ID=77220552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110380348.8A Pending CN113255199A (zh) 2021-04-09 2021-04-09 一种基于粒子滤波的电池剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN113255199A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114236414A (zh) * 2021-12-16 2022-03-25 上海交通大学 基于kcc-pf算法的卫星锂电池寿命预测方法
CN114252797A (zh) * 2021-12-17 2022-03-29 华中科技大学 一种基于不确定性估计的锂电池剩余使用寿命预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778653A (zh) * 2012-06-20 2012-11-14 哈尔滨工业大学 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法
CN112415414A (zh) * 2020-10-09 2021-02-26 杭州电子科技大学 一种锂离子电池剩余使用寿命预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778653A (zh) * 2012-06-20 2012-11-14 哈尔滨工业大学 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法
CN112415414A (zh) * 2020-10-09 2021-02-26 杭州电子科技大学 一种锂离子电池剩余使用寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗悦: "基于粒子滤波的锂离子电池剩余寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, pages 3 - 4 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114236414A (zh) * 2021-12-16 2022-03-25 上海交通大学 基于kcc-pf算法的卫星锂电池寿命预测方法
CN114252797A (zh) * 2021-12-17 2022-03-29 华中科技大学 一种基于不确定性估计的锂电池剩余使用寿命预测方法
CN114252797B (zh) * 2021-12-17 2023-03-10 华中科技大学 一种基于不确定性估计的锂电池剩余使用寿命预测方法

Similar Documents

Publication Publication Date Title
Liu et al. Modified Gaussian process regression models for cyclic capacity prediction of lithium-ion batteries
CN111443294B (zh) 一种锂离子电池剩余寿命间接预测方法及装置
Chen et al. Battery state-of-health estimation based on a metabolic extreme learning machine combining degradation state model and error compensation
Yuchen et al. Satellite lithium-ion battery remaining useful life estimation with an iterative updated RVM fused with the KF algorithm
Zhang et al. A novel method for lithium-ion battery state of energy and state of power estimation based on multi-time-scale filter
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
US9989595B1 (en) Methods for on-line, high-accuracy estimation of battery state of power
CN110187290B (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN109543317B (zh) 一种pemfc剩余使用寿命预测的方法及装置
CN112415414A (zh) 一种锂离子电池剩余使用寿命预测方法
CN107918103B (zh) 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法
Cui et al. A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries
Li et al. On-line estimation method of lithium-ion battery health status based on PSO-SVM
CN113255199A (zh) 一种基于粒子滤波的电池剩余寿命预测方法
CN112816874A (zh) 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法
Ge et al. Lithium ion battery health prediction via variable mode decomposition and deep learning network with self-attention mechanism
CN112611976A (zh) 一种基于双差分曲线的动力电池健康状态估计方法
CN113392507A (zh) 一种锂离子动力电池剩余寿命预测方法
Zhao et al. State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network
Wu et al. Prediction of remaining useful life of the lithium-ion battery based on improved particle filtering
Qian et al. State of health estimation of lithium-ion battery using energy accumulation-based feature extraction and improved relevance vector regression
Schmitt et al. State-of-health estimation by virtual experiments using recurrent decoder–encoder based lithium-ion digital battery twins trained on unstructured battery data
Wang et al. Assessing the performance degradation of lithium-ion batteries using an approach based on fusion of multiple feature parameters
Liu et al. Uncertainty quantification of fusion prognostics for lithium-ion battery remaining useful life estimation
Song et al. Lithium-ion battery pack on-line degradation state prognosis based on the empirical model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination